---
title: นักพัฒนาผนวกใบหน้าเสมือนเข้ากับปัญญาประดิษฐ์เสียงของยันเด็กซ์โดยใช้ซิมลิและอนัม
url: https://www.elseif.net/th/story-25
published: 2026-10-20T07:40:54+00:00
language: th
section: เอเจนต์
source: https://habr.com/ru/articles/1095228/?utm_campaign=1095228&utm_source=habrahabr&utm_medium=rss
organizations: Yandex, Simli, Anam, iPhone, Google, OpenAI
publisher: elseif
---

# นักพัฒนาผนวกใบหน้าเสมือนเข้ากับปัญญาประดิษฐ์เสียงของยันเด็กซ์โดยใช้ซิมลิและอนัม

ผู้พัฒนาซอฟต์แวร์ได้สำเร็จในการเพิ่มฟีเจอร์ใบหน้าเคลื่อนไหวให้กับผู้ดูแลระบบปัญญาประดิษฐ์เสียงชื่อไอคา ซึ่งทำงานบนแพลตฟอร์มยันเด็กซ์ เรียลไทม์ โดยยังคงใช้เครื่องยนต์เสียงเดิมแต่เสริมการขยับปากให้สอดคล้องกับเสียงผ่านบริการภายนอก การทดสอบดำเนินการบนอุปกรณ์ไอโฟนและผ่านเครือข่ายอินเทอร์เน็ตมือถือเพื่อตรวจสอบความเสถียรของการเชื่อมต่อวิดีโอและความล่าช้าในการตอบสนอง

กระบวนการทางเทคนิคอาศัยการส่งข้อมูลเสียงแบบไม่บีบอัดในรูปแบบพีซีเอ็มสิบหก ที่ความถี่ตัวอย่างยี่สิบสี่กิโลเฮิรตซ์จากเซิร์ฟเวอร์ไปยังเบราว์เซอร์ ก่อนจะทำการปรับลดความถี่ลงเหลือสิบหกกิโลเฮิรตซ์เพื่อให้เข้ากับข้อกำหนดของบริการสร้างภาพใบหน้า การจัดการข้อมูลเสียงเป็นช่วงๆ ช่วยป้องกันความผิดพลาดที่ขอบเขตของข้อมูล แม้จะยังไม่มีตัวกรองความถี่เต็มรูปแบบซึ่งอาจก่อให้เกิดความผิดเพี้ยนในบางย่านความถี่สูง

การเปรียบเทียบระหว่างบริการซิมลิและอนัมเผยให้เห็นความแตกต่างด้านประสิทธิภาพและการแสดงผล บริการอนัมแสดงสถานะการเชื่อมต่อภายในเวลาไม่ถึงหนึ่งวินาทีแต่ใช้เวลาเกือบสามวินาทีจึงจะปรากฏเฟรมภาพแรก ในขณะที่ซิมลิใช้เวลานานกว่าในการเริ่มแสดงภาพแต่ให้ผลลัพธ์ที่เน้นการขยับปากเป็นหลัก ผลลัพธ์สุดท้ายชี้ให้เห็นว่าใบหน้าจากอนัมดูมีชีวิตชีวามากกว่า ในขณะที่ซิมลิเน้นไปที่การเคลื่อนไหวของริมฝีปากตามเสียงพูด

ระบบรักษาความปลอดภัยถูกออกแบบให้คีย์บริการไม่ถูกส่งตรงไปยังเบราว์เซอร์ แต่ใช้วิธีการขอโทเค็นระยะสั้นผ่านเซิร์ฟเวอร์กลางที่มีการจำกัดจำนวนคำขอต่อชั่วโมงเพื่อป้องกันการเข้าถึงโดยไม่ได้รับอนุญาต หากการโหลดวิดีโอล้มเหลวหรือใช้เวลาเกินกำหนด ระบบจะกลับไปใช้โหมดเสียงเพียงอย่างเดียวทันที เพื่อให้การสนทนากับผู้เยี่ยมชมเว็บไซต์ดำเนินต่อไปได้โดยไม่ขาดตอน

ข้อจำกัดทางเทคนิคยังรวมถึงความจำเป็นที่บริการอนัมต้องรับข้อมูลเสียงล่วงหน้าประมาณแปดร้อยมิลลิวินาทีก่อนจะเริ่มสร้างภาพเฟรมแรก และการตั้งค่าความละเอียดวิดีโอที่อาจเริ่มต้นในระดับต่ำก่อนจะปรับสูงขึ้นในภายหลัง การพัฒนาส่วนรหัสคำสั่งอาศัยความช่วยเหลือจากเครื่องมือเขียนโค้ดอัตโนมัติบางส่วน แต่การตัดสินใจเลือกโซลูชันและการตรวจสอบความถูกต้องบนอุปกรณ์จริงล้วนดำเนินการโดยผู้พัฒนาเอง